Первыми для сжатия изображений стали применяться привычные алго­ритмы. Те, что использовались и используются в системах резервного копи­рования, при создании дистрибутивов и т. п. Эти алгоритмы архивировали информацию без изменений. Однако основной тенденцией в последнее вре­мя стало использование новых классов изображений. Старые алгоритмы пе­рестали удовлетворять требованиям, предъявляемым к сжатию. Многие изображения практически не сжимались, хотя "на взгляд" обладали явной избыточностью. Это привело к созданию нового типа алгоритмов- сжи­мающих с потерей информации. Как правило, степень сжатия и, следова­тельно, степень потерь качества в них можно задавать. При этом достигает­ся компромисс между размером и качеством изображений.

Одна из серьезных проблем машинной графики заключается в том, что до сих пор не найден адекватный критерий оценки потерь качества изображения. А теряется оно постоянно - при оцифровке, при переводе в ограниченную палитру цветов, при переводе в другую систему цветопред-ставления для печати и, что для нас особенно важно, при сжатии с потеря­ми. Можно привести пример простого критерия: среднеквадратичное от­клонение значений пикселов (L₂ мера, или root mean square - RMS):

По нему изображение будет сильно испорчено при понижении яркости всего на 5% (глаз этого не заметит - у разных мониторов настройка яркости варьируется гораздо сильнее). В то же время изображения "со снегом"-резким изменением цвета отдельных точек, слабыми полосами или "муа­ром" - будут признаны "почти не изменившимися" (Объясните почему.). Свои неприятные стороны есть и у других критериев.

Рассмотрим, например, максимальное отклонение:

d(x.y) = rtm\x_v-y}.

i.j

Эта мера, как можно догадаться, крайне чувствительна к биению от­дельных пикселов. То есть во всем изображении может существенно изме­ниться только значение 1 пиксела (что практически незаметно для глаза), однако согласно этой мере изображение будет сильно испорчено.

Мера, которую сейчас используют на практике, называется мерой отно­шения сигнала к шуму (peak-to-peak signal-to-noise ratio - PSNR):

d(x.y) = lO-bg_n J⁵⁵²'"² _r

£ (^xu-y«)

Данная мера, по сути, аналогична среднеквадратичному отклонению, однако пользоваться ей несколько удобнее за счет логарифмического мас­штаба шкалы. Ей присущи те же недостатки, что и среднеквадратичному отклонению.

Лучше всего потери качества изображений оценивают наши глаза. От­личным считается сжатие, при котором невозможно на глаз различить пер­воначальное и распакованное изображения. Хорошим - когда сказать, какое из изображений подвергалось сжатию, можно только сравнивая две нахо­дящиеся рядом картинки. При дальнейшем увеличении степени сжатия, как правило, становятся заметны побочные эффекты, характерные для данного алгоритма. На практике, даже при отличном сохранении качества, в изо­бражение могут быть внесены регулярные специфические изменения. По­этому алгоритмы сжатия с потерями не рекомендуется использовать при сжатии изображений, которые в дальнейшем собираются либо печатать с высоким качеством, либо обрабатывать программами распознавания обра­зов. Неприятные эффекты с такими изображениями, как мы уже говорили, могут возникнуть даже при простом масштабировании изображения.